Собеседование на AI PM в Сбер Управление Активами

Почему Сбер Управление Активами — особенный работодатель для AI PM

«Сбер Управление Активами» — одна из крупнейших управляющих компаний в России, под управлением — триллионы рублей в ПИФах, ИИС, индивидуальном доверительном управлении и пенсионных программах. Входит в группу Сбер, плотно интегрирован с продуктами банка (СберПремьер, ИИС, мобильное приложение СберИнвестор). Для AI PM это значит работу в гибридном контексте: жёсткие регуляторные требования asset management + доступ к гигантскому датасету клиентов Сбер-экосистемы + соседство с GigaChat и AI Lab Сбера.

AI PM в СберУА отвечает за AI-фичи на стыке asset management и Сбер-экосистемы: robo-advisor для розничных инвесторов и СберИнвестора, portfolio-оптимизация для управляющих, churn prediction по AUM, recommendation продуктов под профиль клиента, NLP для отчётности и аналитических заметок, AML, GigaChat-интеграции для управляющих и клиентских менеджеров. Главный челлендж — explainability и regulatory comfort: модель должна объяснять решение клиенту, юристу и ЦБ.

Стек: классические ML (CatBoost, XGBoost) для propensity, churn, скоринга, time-series модели для прогноза, GigaChat-API для копилотов, ClickHouse и Greenplum для аналитики, спец-инструменты для рисков и compliance.

Актуальные вакансии — на hh.ru и сайте Сбера.

Этапы собеседования

Цикл — 4-5 этапов, 2-3 недели. Параллельно — проверка СБ.

1. HR-скрининг (30-45 минут)

Рекрутер проверяет AI-фокус, базовое ML, опыт в asset management, банкинге, fintech. Любой experience с управлением активами или брокереджем — большой плюс. Готовь питч на 90 секунд.

2. AI / ML grounding (45-60 минут)

С ведущим PM или ML-лидом. Темы: метрики classification/regression, time-series для финансовых рядов, специфика финансовых данных, fitting modes против нестационарности. На LLM-блоке — copilot в money-контексте, GigaChat-specific compliance.

Подготовка: LLM-фичи, ML для PM.

3. Product кейс с AI-фичей (90 минут)

Дают кейс «спроектируй robo-advisor для розницы СберИнвестора». Жди вопросов про аудиторию (новичок с 50k vs опытный с 5М), JTBD, UX, риски (mis-selling, регулятор, поведенческие реакции), метрики (AUM in/out, retention в просадке, NPS), MVP. Сильные кандидаты сразу обозначают, что robo-advisor — про удержание клиента в стратегии, не максимизацию доходности.

Подготовка: Prompt engineering, RAG и context.

4. Metrics / experimentation (45 минут)

Эксперименты в asset management: разные клиенты получают разные портфели, наивный A/B бесполезен. Спросят про propensity-matching cohorts, как разводить эффект модели и эффект рынка.

Подготовка: AI-метрики и evaluation.

5. Поведенческое (45 минут)

STAR. Истории про конфликт с compliance, факап с моделью, спор с юристами. В Сбер-экосистеме много стейкхолдеров — нужно работать в матричной структуре.

Особенности по командам

Robo-advisor. Автоматические инвест-стратегии в СберИнвестор. Тесно работает с управляющими и compliance. Подойдёт PM с wealth management background.

Portfolio AI. Оптимизация портфелей: Markowitz, Black-Litterman, факторные модели. Подойдёт PM с финансовым образованием.

Churn / Retention AI. Прогноз оттока AUM, propensity-апсейл. Подойдёт PM с banking/telco churn-доменов.

Recommendation. Продуктовые рекомендации фондов и стратегий. Подойдёт PM из e-commerce/recsys.

GigaChat-копилоты. LLM-помощники для управляющих, клиентских менеджеров, аналитиков. Самая горячая R&D-команда. Подойдёт PM с любовью к LLM и enterprise productivity.

Что Сбер Управление Активами ценит в AI PM

AI понимание с фокусом на explainability. Слабый: «возьмём чёрный ящик». Сильный: «CatBoost с SHAP для регулятора и клиента; GigaChat-копилот с RAG из методологии».

Asset management / fintech context. Знание базовых концепций: ПИФы, ИИС, Sharpe, drawdown, риск-профиль. Слабый: «увеличим доходность». Сильный: «учитываем риск-профиль и горизонт».

Regulator compliance. Слабый: «выкатим бету». Сильный: «согласуем формулировки, для money — human-in-the-loop с управляющим, regulatory red-team».

Business metrics. Не «AUC», а «удержанный AUM в рублях, прирост ARR премиум-сервисов, retention по продуктам».

Cross-team. Управляющие, аналитики, compliance, юристы, IT — PM должен договариваться с каждым.

Как готовиться: план

За 4-6 недель до планируемого собеса:

1. Неделя 1 — ML базовые + financial primer. Метрики, time-series, основы инвестпродуктов. ML для PM.
2. Неделя 2 — LLM + GigaChat глубже. Архитектура, hallucinations. Параллельно — прорешай вопросы по Python, ML и SQL в Карьернике: 1500+ задач с разбивкой по темам, по 10-15 минут в день закрывают пробелы перед собесом. LLM-фичи.
3. Неделя 3 — Prompt + RAG. Prompt engineering, RAG.
4. Неделя 4 — Cost / latency. AI cost и latency.
5. Неделя 5 — Mocks + behavioral. Mock robo-advisor.
6. Неделя 6 — Polish. Перечитай методологии Сбера, новости рынка.

Частые ошибки

«Добавим robo-advisor» без бизнес-кейса. Слабо: «AI подберёт». Сильно: «у нас 250k клиентов с AUM < 300k без менеджера; robo закроет сегмент, удержит 3.2 млрд, конверсия в премиум 8%».

Игнор regulator / compliance. Слабый: «выкатим». Сильный: «согласуем с юристами, для рекомендаций — обязательная подпись клиента о принятии риска».

Без asset management. Кандидат не различает ПИФ от ИИС — провал. Изучи базу.

Без financial modeling. Слабый: «обучим». Сильный: «walk-forward backtest, оценка max drawdown, Sharpe».

AI metrics only. Слабо: AUC. Сильно: «retention в просадке +14 pp, AUM-удержание 4.2 млрд».

Связанные темы

• Собеседование на AI PM
• LLM-фичи в продукте
• Prompt engineering
• RAG и context
• AI-метрики и evaluation
• AI cost и latency

FAQ

Удалёнка в СберУА для AI PM?

Гибрид распространён, полная удалёнка обсуждаема для senior+.

Зарплатные вилки 2026?

Middle AI PM: 420-580k. Senior: 580-840k. Сбер-экосистема платит выше рынка.

Английский нужен?

Базовый — желательно для CFA-материалов.

Сколько этапов?

4-5 этапов, 2-3 недели. Дополнительно — проверка СБ.

Это официальная информация?

Этапы основаны на публичных источниках и опыте кандидатов. Уточняйте у рекрутера — команды и грейды могут менять процесс.